Κεν Κάπλαν
Πολλές επιχειρήσεις βρίσκονται ήδη στο δρόμο για την υιοθέτηση της τεχνητής νοημοσύνης, ενώ άλλες δεν είναι ακόμα σίγουροι πώς θα τη χρησιμοποιήσουν για να λειτουργήσουν την επιχείρησή τους. Είτε έτσι είτε αλλιώς, οι CIO και οι ομάδες IT έχουν πολλές επιλογές για να διαλέξουν καθώς η τεχνητή νοημοσύνη συνεχίζει να προχωρά με αστραπιαία ταχύτητα.
Σύμφωνα με τον Sean Donahue, ανώτερο διευθυντή λύσεων στη Nutanix, ορισμένοι νιώθουν ότι ένα τρένο φεύγει από το σταθμό και πρέπει να το επιβιβαστούν τώρα.
«Το AI δεν είναι επιλογή», είπε. «Αυτή δεν είναι μια κερδοσκοπική αγορά. Οι εταιρείες γνωρίζουν ότι πρέπει να αγκαλιάσουν την τεχνητή νοημοσύνη. απλά δεν έχουν καταλάβει ποιες περιπτώσεις χρήσης θα αντιμετωπίσουν πρώτα». Ο Donahue είπε ότι αυτό είναι πιθανό επειδή πολλοί δεν κατανοούν πλήρως πώς οι οργανισμοί τους μπορούν να επωφεληθούν από τη χρήση της AI. Το συνέκρινε με την εισαγωγή του λαμπτήρα από τον Τόμας Έντισον το 1888.
«Ήταν καταπληκτικό να βλέπεις με την πρώτη ματιά και η διαδήλωση κατέπληξε τους ανθρώπους, αλλά οι άνθρωποι δεν κατάλαβαν πώς να χρησιμοποιούν ηλεκτρική ενέργεια, ειδικά επειδή δεν υπήρχε υποδομή για την παροχή ηλεκτρισμού στα σπίτια τους».
Η υιοθέτηση της τεχνητής νοημοσύνης είναι μια πρόκληση που αντιμετωπίζουν πολλοί CIO καθώς κοιτάζουν προς το μέλλον. Πριν ξεκινήσουν, οι ομάδες τους πρέπει να έχουν τις πρακτικές γνώσεις, τις δεξιότητες και τους πόρους για να εφαρμόσουν αποτελεσματικά την τεχνητή νοημοσύνη.
Προκλήσεις τεχνητής νοημοσύνης και ανάγκες υποδομής
Για να προετοιμάσουν τις λειτουργίες πληροφορικής τους για την τεχνητή νοημοσύνη, οι προνοητικοί ηγέτες επαναξιολογούν ολόκληρο το οικοσύστημα πληροφορικής τους για να δημιουργήσουν τη σωστή υποδομή για να χειριστούν τόσο τις υπάρχουσες όσο και τις μελλοντικές λειτουργίες που λειτουργούν με τεχνητή νοημοσύνη.
«Χρειάζεστε επιστήμονες δεδομένων, μηχανικούς τεχνητής νοημοσύνης και μηχανικούς λειτουργιών μηχανικής μάθησης και στη συνέχεια χρειάζεστε καλούς ανθρώπους υποδομής, καθώς και προγραμματιστές που δημιουργούν εφαρμογές», δήλωσε ο Rajeev Ramaswamy, πρόεδρος και διευθύνων σύμβουλος της Nutanix. «Το σύνολο των εργαλείων που απαιτούνται για τη δημιουργία εφαρμογών τεχνητής νοημοσύνης και τη διάθεσή τους στην αγορά είναι επίσης προκλητικό. Επιπλέον, υπάρχει έλλειψη εξοπλισμού».
Η εφαρμογή της τεχνητής νοημοσύνης είναι ακριβή και η εκπαίδευση μοντέλων τεχνητής νοημοσύνης απαιτεί σημαντικές επενδύσεις. «Για να συνειδητοποιήσετε τις δυνατότητες, πρέπει να εξετάσετε τι θα χρειαστεί, πόσο θα κοστίσει και να βεβαιωθείτε ότι θα έχετε το όφελος», είπε ο Ramaswamy. «Και τότε πρέπει να πας και να το κάνεις».
Το GenAI εξελίχθηκε γρήγορα από πειραματική τεχνολογία σε σημαντικό επιχειρηματικό εργαλείο, με τα ποσοστά υιοθέτησης να αναμένεται να υπερδιπλασιαστούν το 2024, σύμφωνα με πρόσφατη μελέτη AI στο Wharton, ένα ερευνητικό κέντρο στο Wharton School του Πανεπιστημίου της Πενσυλβάνια. Εβδομαδιαία χρήση τεχνητής νοημοσύνης Μεταξύ των ηγετών επιχειρήσεων, το ποσοστό αυξήθηκε από 37% σε 72%, και οι οργανισμοί ανέφεραν αύξηση 130% στις δαπάνες τεχνητής νοημοσύνης από το 2023, σύμφωνα με την έκθεση.
Η παραδοσιακή υποδομή πληροφορικής δεν είναι σε θέση να χειριστεί τις έντονες απαιτήσεις της τεχνητής νοημοσύνης, όπως η εκπαίδευση μεγάλων γλωσσικών μοντέλων (LLM) ή η επεξεργασία μεγάλου όγκου ροών δεδομένων σε πραγματικό χρόνο. Σύμφωνα με την έκθεση Enterprise Cloud Index που δημοσιεύτηκε από τη Nutanix στις αρχές του 2024, οι επαγγελματίες πληροφορικής σημείωσαν ότι η εκτέλεση εφαρμογών τεχνητής νοημοσύνης στην τρέχουσα υποδομή πληροφορικής τους θα ήταν μια «μείζονα» πρόκληση.
Ο Donahue χρησιμοποίησε μια πρακτική μεταφορά αυτοκινήτου που καταδεικνύει αυτό το πρόβλημα. «Το αυτοκίνητό μου του 1949 δεν πληροί τις σημερινές απαιτήσεις απόδοσης», είπε. «Είμαι χαρούμενος που το οδηγώ, αλλά ξέρω ότι δεν θα είναι ποτέ ανταγωνιστικό στον αυτοκινητόδρομο. Στην πραγματικότητα, δεν πρέπει να το οδηγήσω στον αυτοκινητόδρομο γιατί είναι τόσο ξεπερασμένο». Με άλλα λόγια, μεγάλο μέρος της υπάρχουσας υποδομής πληροφορικής διατηρεί το status quo, αλλά δεν θα είναι σε θέση να χειριστεί αποτελεσματικά τις έντονες απαιτήσεις του φόρτου εργασίας της τεχνητής νοημοσύνης.
Καθώς τα νέα σχέδια οχημάτων εξελίσσονται για να πληρούν υψηλότερα πρότυπα ασφάλειας, απόδοσης καυσίμου και απόδοσης, οι υποδομές πληροφορικής των επιχειρήσεων πρέπει να εξελιχθούν για να παρέχουν περισσότερη υπολογιστική ισχύ, ευελιξία και αποτελεσματικότητα για τη διαχείριση εφαρμογών τεχνητής νοημοσύνης, είπε ο Donahue.
Τα προηγμένα μέτρα ασφαλείας και οι έλεγχοι είναι ζωτικής σημασίας, καθώς οι επιχειρήσεις προσπαθούν να προστατεύσουν την πνευματική ιδιοκτησία και τα δεδομένα πελατών χρησιμοποιώντας μοντέλα τεχνητής νοημοσύνης. Αυτό αναγκάζει τους CIO να αναζητήσουν υποδομές που να μπορούν να διαχειρίζονται στρατηγικά και με ασφάλεια την τεχνητή νοημοσύνη και να είναι αρκετά ευέλικτοι ώστε να χειρίζονται μελλοντικές καινοτομίες και προκλήσεις.
Διαχείριση της υποδομής πληροφορικής στην οποία εκτελείται η τεχνητή νοημοσύνη
Σύμφωνα με τον Donahue, οι ομάδες IT διερευνούν τρία βασικά στοιχεία: επιλογή μοντέλων γλώσσας, αξιοποίηση τεχνητής νοημοσύνης από υπηρεσίες cloud και δημιουργία υβριδικού μοντέλου λειτουργίας πολλαπλών νέφους για να αξιοποιήσουν στο έπακρο τις υπηρεσίες εσωτερικού και δημόσιου cloud.
«Διαπιστώνουμε ότι πολύ, πολύ, πολύ λίγοι άνθρωποι θα φτιάξουν το δικό τους γλωσσικό μοντέλο», είπε. «Αυτό συμβαίνει επειδή η κατασκευή ενός μοντέλου γλώσσας είναι σαν να φτιάχνεις ένα αυτοκίνητο σε ένα γκαράζ από ανταλλακτικά».
Οι εταιρείες στρέφονται σε μοντέλα γλώσσας που βασίζονται σε σύννεφο, αλλά πρέπει να εξετάσουν προσεκτικά τις επιλογές ασφάλειας και διαχείρισης, ενώ διαχειρίζονται το κόστος με την πάροδο του χρόνου. «Εάν αυτά τα πράγματα δεν με αποθαρρύνουν από το να το χρησιμοποιήσω με την εταιρική IP και τα δεδομένα μου, τότε στο τέλος του μήνα θα βρω τον εαυτό μου να πληρώνω hyperscalers επειδή η εφαρμογή συμπερασμάτων AI είναι ένα μικρό παράθυρο ερωτημάτων που χρησιμοποιούν οι υπάλληλοί μου για να κάνουν ερωτήσεις », χρησιμοποιεί cloud GPU και δεν είναι φθηνές», είπε.
Αυτό φέρνει τις ομάδες IT στο τρίτο βήμα: κοιτάξτε πέρα από τα μοντέλα cloud και εξετάστε λύσεις που έχουν σχεδιαστεί ειδικά για την υποστήριξη των δυνατοτήτων AI.
Ο Donahue επεσήμανε το GPT-in-a-Box της Nutanix, μια ολοκληρωμένη προδιαμορφωμένη λύση που συνδυάζει υλικό και λογισμικό για την υποστήριξη της ανάπτυξης μοντέλων AI απευθείας στις εγκαταστάσεις, στο cloud ή στο edge. Αυτή η εγκατάσταση έχει σχεδιαστεί για να βελτιστοποιήσει την ανάπτυξη και τη λειτουργία των μοντέλων GPT παρέχοντας όλα τα απαραίτητα στοιχεία σε ένα ολοκληρωμένο πακέτο για την ενσωμάτωση γενετικών εφαρμογών AI και AI/ML σε υποδομές IT, διατηρώντας ταυτόχρονα δεδομένα και εφαρμογές υπό τον έλεγχο της ομάδας IT.
Ο Donahue εξήγησε ότι το GPT-in-a-Box επιτρέπει στα υπάρχοντα συστήματα IT να εξορθολογίσουν τις διαδικασίες που απαιτούνται για την υλοποίηση των δυνατοτήτων AI. Αυτό μείωσε την πολυπλοκότητα της επιλογής συμβατών στοιχείων, τη διαμόρφωση λογισμικού και τη βελτιστοποίηση της απόδοσης.
Ελέγχοντας ολόκληρη τη στοίβα, συμπεριλαμβανομένου υλικού, λογισμικού και επιπέδων τεχνητής νοημοσύνης, οι ομάδες IT μπορούν να εφαρμόσουν ισχυρά μέτρα ασφαλείας σχεδιασμένα για την προστασία των περιβαλλόντων τεχνητής νοημοσύνης, όπως κρυπτογράφηση δεδομένων, ασφαλής έλεγχος πρόσβασης δεδομένων και συστήματα ανίχνευσης εισβολών. Το GPT-in-a-Box επιτρέπει επίσης στις ομάδες να διαχειρίζονται την απόδοση αξιοποιώντας τους βέλτιστους πόρους για την αποτελεσματική πρόσβαση στα δεδομένα στο σωστό μέρος.
Εφαρμογές και διαχείριση δεδομένων σε υβριδικά συστήματα πολλαπλών νέφους
Η υποδομή πρέπει να βρίσκεται στο επίκεντρο μιας στρατηγικής AI, λέει ο Donahue, και υπάρχει ένα μοντέλο cloud που θα μπορούσε να είναι ιδιαίτερα επιτυχημένο: το υβριδικό multicloud.
«Το υβριδικό multicloud είναι εκεί που βρίσκεται», είπε ο Donahue. «Η τεχνητή νοημοσύνη μιλάει απλώς για υβριδικό multi-cloud επειδή τα σύνολα δεδομένων σας θα είναι παντού. Θα πρέπει να χρησιμοποιήσετε μια λύση όπως η ενοποιημένη αποθήκευση για να τα συλλέξετε και να τα διαχειριστείτε κάτω από μια στέγη.»
Τα υβριδικά περιβάλλοντα multicloud συνδυάζουν μια ποικιλία υπολογιστικών πόρων και τύπων αποθήκευσης. Διευκολύνουν την αποτελεσματική διαχείριση και επεξεργασία δεδομένων, κάτι που είναι κρίσιμο για την απόδοση συστημάτων τεχνητής νοημοσύνης, ειδικά όταν εργάζεστε με μεγάλα και διαφορετικά σύνολα δεδομένων διάσπαρτα σε πολλές τοποθεσίες.
«Οι άνθρωποι που χρησιμοποιούν ήδη το υβριδικό multicloud θα έχουν πιθανώς ευκολότερο χρόνο να ξεκινήσουν με την τεχνητή νοημοσύνη», είπε ο Donahue.
Είναι κρίσιμο να δοθεί προτεραιότητα στις αναβαθμίσεις των υποδομών. Η αποτελεσματική υιοθέτηση της τεχνητής νοημοσύνης απαιτεί από τις επιχειρήσεις να επαναξιολογήσουν και να αναζωογονήσουν τα βασικά τους συστήματα πληροφορικής, εστιάζοντας στο μέλλον και επιτυγχάνοντας τις βασικές επεκτασιμότητα, ισχύ, αποτελεσματικότητα και αναλυτικές ικανότητες που απαιτούνται για να συμβαδίζουν με τον ταχέως μεταβαλλόμενο κόσμο της πληροφορικής.
Μάθετε περισσότερα για Nutanix Enterprise AI ευκαιρίες σε αυτό ανάρτηση ιστολογίου Και αναφορά βίντεο κυκλοφορία του τον Νοέμβριο του 2024.
Κεν Κάπλαν είναι ο αρχισυντάκτης του The Forecast της Nutanix. Βρείτε το στο Χ @kenekaplan.
